Prompt Engineering - Effektives Arbeiten mit KI

Was ist Prompt Engineering? Ein Prompt ist eine Anweisung in natürlicher Sprache, die im Idealfall das gewünschte Ergebnis aus einem generativen KI-Modell für Text, Bild, Audio, Video, Code oder 3D erzeugt. Diese Anweisung kann dabei unterschiedliche Formen und Längen haben: von einem simplen Satz über einen längeren Absatz bis zu einem mehrseitigen Dokument. Ein guter Prompt optimiert die Leistung des KI-Systems durch Konzentration auf eine bestimmte Aufgabe. Das kann etwa eine gute Zusammenfassung eines Textes sein, ein interessanter Social-Media-Beitrag oder Bilder in einem gewünschten Stil. Das Entwerfen solcher Prompts nennt man Prompt Engineering oder Prompt Design. In der Praxis geht es dabei darum, die richtigen Schlüsselwörter, Formulierungen und Kontextinformationen in einem Prompt zu verwenden, um das gewünschte Ergebnis zu erzielen. Die Herausforderung beim Prompt Engineering besteht darin, dass es aufwendig sein kann, Prompts so zu gestalten, dass die Ergebnisse stabil reproduzierbar sind, zu verstehen, warum bestimmte Prompts funktionieren und andere nicht, und dass der gesamte Prozess nicht immer intuitiv ist. Prompt Engineering hat also zunächst einmal nichts mit klassischer Ingenieurskunst oder Programmierung zu tun. Zwar profitiert auch Prompt Engineering von strukturiertem Denken, verwendet aber natürliche Sprache und keine Programmiersprache. Definition: Prompts sind eine neue Art, mit Computern zu „sprechen“, Prompt Engineering ist die Kunst, die richtigen Worte zu finden. Warum gibt es Prompt Engineering? Prompt Engineering ist die primäre Form der Interaktion mit generativen KI-Modellen – unabhängig davon, ob Inhalte generiert oder spezialisierte Chatbots mit Zugriff auf bestimmte Daten gebaut werden. Wer etwa ChatGPT nutzt, verwendet direkt zwei Prompts: Einerseits die Fragen, die man selbst an das Modell stellt und im Hintergrund den System-Prompt, der von OpenAI an das entsprechende Modell gesendet wird. Dieser System-Prompt bleibt für die meisten Nutzenden unsichtbar, ist aber für die Funktion von ChatGPT elementar. Darin definiert OpenAI ChatGPTs Rolle als nützlichen Agenten, gibt dem Modell einen Überblick über die verwendbaren Werkzeuge und legt Verhaltensregeln fest. Prompt Engineering kann also ein KI-Modell in der vordefinierten Rolle als Chatbot lenken, es aber auch in ein System umwandeln, das etwa Besprechungsprotokolle zusammenfasst oder Excel-Dateien in Diagramme umwandelt. Mit speziellen Prompts können Unternehmen die Leistungsfähigkeit von KI-Modellen für die jeweilige Aufgabe deutlich verbessern und diese produktiv einsetzen. Zusammengefasst: Prompt Engineering zielt darauf ab, die Leistung generativer KI zu verbessern, etwa indem Fehler reduziert werden und der Einsatz durch exakt definierte Leitplanken für das gewünschte Ergebnis effizienter wird. In welchen Bereichen wird Prompt Engineering eingesetzt? Prompt Engineering findet überall dort statt, wo generative KI-Modelle eingesetzt werden. Solche Modelle erzeugen aus einem Input – in den meisten Fällen Text – einen Output. GPT-5 erzeugt etwa Text oder Code, Midjourney Bilder. Andere Modelle erzeugen Audio, Video oder 3D-Modelle. Derzeit dominiert das Prompt Engineering primär im Umgang mit großen Sprachmodellen, da diese unmittelbare Anwendungsfelder in zahlreichen Standardprozessen in allen möglichen Abteilungen von Unternehmen haben – vom Marketing über schnelle Recherchen und Protokollierung bis zur Kundenberatung. Prompt Engineer: Ein neuer Beruf? Einige sehen Prompt Engineering als mögliches Berufsfeld. Andere halten es eher für eine vorübergehende Erscheinung. Für Prompt Engineering als Beruf spricht, dass es derzeit möglich ist, mit speziellen Anweisungen und Tricks (siehe Merkblatt) sowie geschickt konstruierten Prompts etwas mehr Leistung aus KI-Modellen herauszukitzeln. Dazu ist ein gewisses Grundwissen erforderlich, etwa wie man Beispiele sinnvoll in Prompts einbaut. Diese Aufgabe kann ein Prompt Engineer übernehmen. Gegen das Prompt Engineering als zukunftsträchtiges Berufsfeld spricht, dass KI-Modelle immer einfacher von möglichst vielen Menschen bedient werden können und dass gutes Prompting in wenigen Stunden erlernt werden kann. Mittelfristiges Ziel der KI-Entwicklung ist es, dass wir in Zukunft mit KI so einfach interagieren, wie mit Menschen. Die Modelle beschaffen sich die Informationen, die sie für die erfolgreiche Durchführung einer Aufgabe benötigen, im Zweifelsfall durch gezieltes Nachfragen. Eine komplexe „Prompt-Programmiersprache“ würde diesem Ziel zuwiderlaufen. Weiterhin gibt es bereits Ansätze, KI eigene Prompts schreiben zu lassen: ChatGPT von OpenAI formuliert auf Basis eines Prompts etwa detaillierte Bildprompts für den Bildgenerator GPT-4o Image. Einfache Eingaben für GPT-4o Image interpretiert das KI-System und erzeugt im Hintergrund einen ausführlichen Prompt. Das ist auch der Grund, warum OpenAI-Forscher Logan Kilpatrick Prompting als Fehler, kein Feature, bezeichnete. Die „harte Arbeit“, einen Prompt im Detail zu formulieren, müsse von KI-Systemen übernommen werden. Mehr dazu lesen Sie später in diesem Deep Dive. Prompt-Automatismen könnten in Zukunft also immer häufiger in KI-Systeme implementiert werden. Allerdings ist es wahrscheinlich, dass gute Prompts auch künftig eine Verbesserung der Ergebniseffizienz bewirken. Prompt-Kreativität statt Prompt Engineering Bei der Entwicklung von Prompts gibt es einige Best Practices und bei der direkten Ansteuerung eines Sprachmodells über eine Programmierschnittstelle (API) auch formale Aspekte. Diese sind jedoch überschaubar und auch für Laien schnell erlernbar. Das wesentliche Know-how für gute Prompts kann innerhalb weniger Stunden vermittelt werden. Die Entwicklung guter Prompts ist daher in erster Linie ein kreativer Prozess, an dem sich alle Beteiligten eines Teams beteiligen können. Dabei geht es darum, den sinnvollen Einsatz generativer KI in bestehenden Workflows zu identifizieren. Gleichzeitig können Ideen für neue, möglicherweise effizientere Workflows entwickelt werden, die ohne KI-Tool im Arbeitsalltag nicht umsetzbar wären, weil sie etwa zu aufwendig sind (Beispiel: FAQs in einfacher Sprache als Ergänzung zum Fließtext). In jedem Fall ist es daher für Unternehmen sinnvoll, Mitarbeitende zu haben, die das „Prompt-Management“ beherrschen. Sie bringen eigenes Prompt-Know-how mit und befähigen ihre Teams, selbst „Prompt-Workflows“ zu entwickeln. Außerdem erstellen sie in Zusammenarbeit mit den Teams Prompts für deren Arbeitsprozesse, testen diese und stellen sie allen zur Verfügung. Diese „Prompt-Manager:innen“ müssen keinesfalls „Ingenieure“ im Sinne von Programmierern oder IT-Profis sein und sich auch nicht 24/7 mit Prompting beschäftigen. Wichtiger als das reine Schreiben eines Prompts ist es, überhaupt erst einmal die Idee für einen Workflow und die damit verbundenen Prompts zu entwickeln. Dazu müssen diese Personen die Aufgaben, Prozesse und Produkte des Unternehmens im Detail kennen und „Prompt-Kreativität“ mitbringen. Gute Prompts entstehen auch durch die Expertise der Mitarbeitenden in ihrem speziellen Bereich. Es ergibt hier also möglicherweise mehr Sinn, dass in allen Teams eines Unternehmens Personen das Prompt-Management (siehe nächstes Kapitel) beherrschen. Jeder Prompt beschreibt eine konkrete Aufgabe oder Teile einer Aufgabe: Entweder eine bestehende, bei der künftig generative KI unterstützt, oder eine ganz neue, die bisher aus Zeit- oder Ressourcenmangel nicht umsetzbar war. Für Unternehmen ist generative KI daher auch eine Chance, alle Arbeitsprozesse im Unternehmen zu prüfen, zu konkretisieren und dabei das Potenzial generativer KI für jeden einzelnen Prozess zu evaluieren. Gerade in der jetzigen Phase, in der generative KI zunehmend Einzug in die Unternehmen hält, ist Prompt-Management entscheidend: Die Technologie ist so neu und greift potenziell so tief in bestehende Arbeitsprozesse ein, dass die bloße Bereitstellung von Chatbots oder unflexiblen KI-Tools, die keine oder wenig Kontrolle über Prompts und Workflows erlauben, nicht ausreicht. Achtung: Selbst mit vereinzelten Schulungen ist eine systematische und vor allem produktive Nutzung der generativen KI durch alle Mitarbeitenden nicht gewährleistet. Einige Mitarbeitende fühlen sich etwa von den Möglichkeiten überfordert oder fremdeln mit der neuen Technologie. Hier besteht das Risiko, dass sie die Technologie falsch oder unachtsam einsetzen und die Qualität der Arbeit sinkt. Unternehmen investieren dann in teure Lizenzen, aber mögliche Produktivitätsgewinne bleiben aus, kommen nicht bei allen Mitarbeitenden gleich an oder, schlimmer noch, es schleichen sich Fehler ein. Genau hier setzt Prompt-Management an: Gemeinsam mit den einzelnen Abteilungen und Mitarbeitenden kann generative KI gezielt in Arbeitsprozesse eingebunden und kreative Prompt-Workflows für ausgewählte Aufgaben entwickelt werden. Prompt-Management als Erfolgsfaktor für generative KI in Unternehmen Ein entscheidender Erfolgsfaktor für die Einführung generativer KI ist also das „Prompt Management“. Dahinter steht die bereits angesprochene Idee, dass Prompts konkrete Arbeitsschritte und Aufgaben repräsentieren. Prompt-Management zielt darauf ab, die Effizienz der Prompts zu maximieren, sie zuverlässig zu machen und allen Personen zur Verfügung zu stellen, deren Arbeit von generativer KI profitiert. Prompt-Management umfasst im Wesentlichen drei Aufgaben: Prompt-Workflows identifizieren und Prompts entwickeln Darunter verstehen wir die im Kapitel „Die richtigen Prompts finden: In Aufgaben und Prozessen denken“ beschriebene Methode, Workflows auf ihr Potenzial zur Verbesserung oder Teilautomatisierung durch generative KI zu untersuchen, einen geeigneten Prompt dafür zu schreiben und diesen intensiv zu testen. Die Auswahl des geeigneten KI-Modells ist ebenfalls Teil der Prompt-Entwicklung. Mögliche Parameter, die hier eine Rolle spielen, sind die Größe des Kontextfensters (wie viel Inhalt muss gleichzeitig verarbeitet werden), die Logik- und Schreibfähigkeit, Multimodalität und die Kosten. Unternehmen verschwenden Geld, wenn sie einfache Textaufgaben mit zu fähigen und damit teuren KI-Modellen durchführen oder wenn schlecht optimierte Prompts wiederholt ausgeführt werden müssen, um ein akzeptables Ergebnis zu erzielen. Im letzteren Fall besteht zudem die Gefahr, dass die Qualität der Arbeit insgesamt leidet. Prompts teilen (Prompt-Sharing) Da Prompts Arbeitsprozesse abbilden, dürfen sie nicht im Chatfenster einzelner Personen verkümmern. Ein gut funktionierender Prompt für Social-Media-Beiträge muss etwa allen Verantwortlichen eines Redaktions- und Marketingteams zur Verfügung stehen. Unternehmen sollten daher über zentrale Datenbanken für Prompts verfügen, die es ermöglichen, Prompts zu kategorisieren und im Team zu teilen. Für das Promptmanagement gibt es Softwarelösungen, die allerdings genau evaluiert werden sollten, damit hier nicht erneut eine Fragmentierung der unternehmenseigenen Softwarebasis passiert. Prompt-Sharing ist aber auch eine Frage der Unternehmenskultur. Mitarbeitende sollten ihre Prompts nicht aus den falschen Gründen für sich behalten, etwa um sich persönliche Effizienzvorteile zu verschaffen. Auch hier ist eine durchdachte Workflow-Plattform mit Teamfunktionen für Prompt-Management hilfreich. Gutes Prompt-Management bringt also auch Transparenz in die KI-Prozesse: Wer nutzt generative KI wie, für welche Aufgabe, in welchem Umfang und mit welchem Ergebnis? Dieses Wissen gehört dem Unternehmen, nicht einzelnen Mitarbeitenden. Prompts optimieren Ein guter Prompt unterstützt eine Aufgabe zuverlässig. Generative KI-Modelle sind keine auf Exaktheit getrimmten Maschinen mit eindeutigen Regeln, aber ein guter Prompt kann ihnen ein gewisses Maß an Stabilität und Qualität abringen. Wendet man einen Prompt auf die gleiche Aufgabe an, sollte er in neun von zehn Fällen ein qualitativ ähnliches Ergebnis liefern – unabhängig von der Person, die ihn ausführt. Das erleichtert auch den Brückenschlag zwischen Mitarbeitenden, die generative KI ganz selbstverständlich nutzen, und solchen, denen sie eher fremd ist. Damit die Ergebnisqualität bestehen bleibt, sind kontinuierliches Testen und Verbessern eines Prompts nötig. Nicht nur, um die Leistung weiter zu steigern: Prompts müssen immer wieder an neue Arbeitssituationen oder KI-Modelle angepasst werden, insbesondere in Zeiten, in denen sich der KI-Markt fast täglich verändert. Betrachten wir Prompts als kleine Motoren für Arbeitsprozesse, ist also kontinuierliche Wartung, Überarbeitung und Neuausrichtung – und manchmal auch Austausch – notwendig. Die Optimierung kann dabei durch Anpassung der Formulierung, des Kontextes, der Beispiele oder der Prompt-Struktur erfolgen. Eine weitere Aufgabe des Prompt-Managements sind Ethik und Compliance: Prompts müssen ethische Aspekte wie Diversität berücksichtigen, Compliance-Richtlinien einhalten und den Datenschutzbestimmungen entsprechen. Umso wichtiger ist es, dass das Prompt-Management Personen zugewiesen wird, die sich ernsthaft damit auseinandersetzen. Neue Content-Workflows mit KI Workflows zu finden, für die generative KI eine sinnvolle Unterstützung sein kann, ist ein entscheidender Teil guten Prompt-Managements. Denn nicht-generative KI ergibt nicht in jedem Prozess Sinn oder Prozesse müssen anders gedacht werden, damit KI Effizienz- und Qualitätsgewinne bewirken kann. Nachfolgend einige Ideen für Workflows in Verbindung mit der Verarbeitung von Text und Bild. Weitere Workflows auch abseits von Texten, etwa bei Recherchen in Unternehmensdaten oder bei Auswertungen, sind ebenfalls möglich – das Stichwort ist hier wie bereits erwähnt „Prompt-Kreativität“. Workflow: Von einer Quelle zur visuellen Idee KI kann Inhalte formatieren, aber auch kommentieren oder erweitern. Ein Prompt kann etwa visuelle Ideen für das Titelbild eines Nachrichtenartikels generieren. Diese Ideen können dann entweder mit einem KI-Bildtool umgesetzt oder in einem Briefing an einen Grafiker oder eine Grafikerin weitergegeben werden. Das folgende Resultat zeigt Ideen für ein Titelbild zu einer Nachrichten-Quelle, deren Inhalt sich um die Eröffnung eines OpenAI-Büros in London dreht. Workflow: PM durch kritische Rückfragen prüfen lassen Ein Workflow-Beispiel aus der Unternehmenskommunikation: Die Pressemitteilung ist geschrieben, aber ist sie auch wasserdicht? KI kann die Rolle des kritischen Journalisten übernehmen und die Pressemitteilung mit kritischen Fragen durchlöchern. Workflow: Automatische Content-Briefings durch KI-Feed Morgens um 8 Uhr wird ein automatisches Feed-Briefing per E-Mail an die dafür vorgesehenen Mitarbeitenden verschickt. Dabei werden alle neuen Feed-Inhalte in strukturierter Form (Überschrift, Textauszug, Quelle) aufbereitet und mit mehreren Aufgaben an das Sprachmodell übergeben. Diese Aufgaben können die Identifizierung von Duplikaten, das Erkennen von Trends (etwa mehrere Artikel zu einem Thema), die Gruppierung nach Themen und vieles mehr sein. Das Sprachmodell erzeugt dann ein kurzes, präzises Briefing für die gewünschten Aufgaben. Workflow: Quelle wird zu FAQ, wird zu Blog-Artikel In diesem Szenario analysiert die KI eine bestimmte Quelle und generiert eine Sammlung von Fragen und Antworten zu dieser Quelle. Ein Mitarbeitender bearbeitet und ergänzt diese Informationssammlung. In einem weiteren Schritt wird die FAQ an einen weiteren Prompt übergeben, der aus der FAQ einen Artikelentwurf im vorgegebenen Format schreibt. Workflow: Keyword-Analyse wird zu Outline wird zu Artikel-Entwurf Zuerst analysiert die KI eine Quelle auf Schlüsselwörter. Auf Basis dieser Keywords formuliert die KI im zweiten Schritt eine Outline für einen neuen Inhalt. Mitarbeitende können die Outline bearbeiten, erweitern und übernehmen, um den Inhalt selbst zu finalisieren. Oder sie übergeben die Outline an einen weiteren spezifischen Prompt, der daraus einen Artikelentwurf macht. Single-Source-Workflow mit generativer KI Mit den richtigen Prompts und einem KI-Workflow-Tool, das die nötige Grundlage liefert, kann KI in Sekunden Dutzende qualitativ hochwertige Zusatzformate entwerfen. Workflow: Bericht wird zu Executive Summary wird zu individuellen Social-Media-Beiträgen mit Bildidee In diesem Workflow-Beispiel liest die KI einen Bericht, erstellt eine prägnante Zusammenfassung und generiert dann individuelle Social-Media-Beiträge, die auf den Kernpunkten der Zusammenfassung basieren. Sie fügt außerdem kreative Bildideen hinzu, die den Inhalt der Beiträge illustrieren. Die Social-Media-Beiträge können jeweils in der kanalspezifischen Ansprache verfasst werden. Workflow: Datenbericht wird zu Analyse wird zu Grafik Die KI analysiert im ersten Schritt einen Datenbericht und erstellt eine Zusammenfassung der wichtigsten Punkte. Die Ergebnisse können dann von ChatGPT-5 in einer Grafik visualisiert werden. Dafür genügt ein Prompt wie „Zeige Wert X und Wert Y in einer Kuchengrafik“. ChatGPT-5 greift dafür auf interne Tools zurück. Workflow: Quelle wird zu Reporting Nach dem Lesen eines Quellartikels erstellt die KI einen ausführlichen Bericht, der die wichtigsten Punkte des Artikels hervorhebt und zusätzliche Kontextinformationen oder Analysen enthält. Workflow: Stimmungs-Analyse eines Textes und Auflistung möglicher Kritikpunkte Bei diesem Workflow führt die KI eine Sentiment-Analyse durch, um die Stimmung eines Textes, etwa eines Blog-Artikels oder einer Pressemitteilung, zu ermitteln. Auf Basis dieser Analyse identifiziert sie im zweiten Schritt mögliche Kritikpunkte und macht Verbesserungsvorschläge. Workflow: Social-Media-Beitrag erhält kritischen Kommentar und passende Antwort darauf Die KI analysiert einen Social-Media-Beitrag und generiert daraus einen kritischen Kommentar. Anschließend entwickelt sie eine passende Antwort auf den Kommentar. Damit kann die öffentliche Kommunikation einem Vorabtest unterzogen werden. Diese Workflow-Beispiele geben einen kleinen Einblick in die Vielfalt der Einsatzszenarien von KI im Unternehmen und sollen zur Inspiration dienen. Wichtig ist, dass Prompts systematisch dokumentiert und eingesetzt werden. Nur so sind die Nachvollziehbarkeit, Reproduzierbarkeit und Weiterentwicklung der KI-Workflows gewährleistet. Die richtigen Prompts finden: In Aufgaben und Prozessen denken Schritt-für-Schritt-Anleitung, um bestehende Aufgaben über Prompts abzubilden Identifizieren Sie eine bestehende Aufgabe in Ihrem Workflow, die für eine Automatisierung geeignet ist. Zerlegen Sie die Aufgabe in ihre einzelnen Schritte oder Komponenten. Wollen Sie etwa einen ganzen Instagram-Post inklusive Call-to-Action generieren – oder schreiben Sie einen eigenen Prompt nur für Call-to-Action-Vorschläge, weil diese besonders wichtig sind? Übersetzen Sie jeden dieser Schritte in einen Prompt. Er sollte klar und präzise formuliert sein. Implementieren Sie die erstellten Prompts in Ihrem KI- oder Prompt-Management-System. Testen Sie die Prompts und den gesamten Workflow gründlich, um sicherzustellen, dass die Aufgabe zuverlässig ausgeführt wird. Überwachen Sie System und Prompts regelmäßig, um die Leistung zu bewerten und gegebenenfalls rechtzeitig Anpassungen vorzunehmen. Schritt-für-Schritt-Anleitung, um ganz neue Workflows zu entdecken Ermuntern Sie Ihre Teams, mit generativer KI im Rahmen ihrer täglichen Arbeit und innerhalb der unternehmenseigenen KI-Plattform zu experimentieren. So entwickeln Ihre Mitarbeitenden ein Verständnis für generative KI und welche neuen Aufgaben oder Prozesse möglich sein könnten. Regelmäßiges gemeinsames Brainstorming und Ideenfindung für neue Aufgaben, bei denen die KI unterstützen kann. Wählen Sie die besten Ideen aus und entwickeln Sie ein Konzept für die Umsetzung. Lassen Sie ihre „Prompt-Manager:innen“ die Prompts für den neuen Workflow entwickeln. Implementieren Sie die Prompts in Ihr KI-System und testen Sie sie gründlich. Integrieren Sie die neuen Aufgaben in die Arbeitsabläufe der Mitarbeitenden und prüfen Sie das KI-System regelmäßig auf Leistung und Qualität, um sicherzustellen, dass sie den gewünschten Nutzen bringen. Profi-Tipp: Schritt für Schritt prompten Prompts, die eine Bearbeitung in Zwischenschritten statt in einem Stück ermöglichen, sind häufig besonders effektiv. Nehmen wir die Erstellung eines PR-Fachartikels aus einem Produktdatenblatt als Beispiel. Die direkte Generierung eines PR-Fachartikels mit einem KI-Modell kann zwar schnell und effizient sein, das Risiko ist aber groß, dass wichtige Details fehlen oder Tiefe und Qualität des Artikels nicht den Anforderungen entsprechen. Hier kann ein strukturierter Ansatz, etwa mit einem Zwischenschritt in Form einer FAQ, zu einem besseren Ergebnis führen. Zunächst lassen wir das KI-Modell eine FAQ-Liste auf der Grundlage des Produktdatenblatts generieren. Dieser Schritt dient dazu, die wichtigsten Informationen und Themen aus der Quelle zu extrahieren, Kernpunkte zu identifizieren und in einer strukturierten Form darzustellen. Der nächste Schritt ist die manuelle Überprüfung und Bearbeitung der FAQs. Dabei können Ungenauigkeiten korrigiert, zusätzliche Informationen hinzugefügt und sichergestellt werden, dass die FAQs die wichtigsten Aspekte der Quelle enthalten. Schließlich lassen wir die KI aus der bearbeiteten FAQ-Liste einen Entwurf für den Fachartikel erstellen, den eine Autorin oder ein Autor dann final redigiert. Anstatt also direkt aus der Quelle den Artikel zu generieren, ermöglicht diese Methode tieferes Eintauchen in das jeweilige Thema. Die FAQs können zudem als Leitfaden und Struktur für den Artikel dienen, wobei jede Frage und Antwort in einen eigenen Abschnitt umgewandelt wird. Dieser Prozess stellt sicher, dass der endgültige Artikel gründlich recherchiert und gut strukturiert ist und die wichtigsten Punkte der Quelle präzise und detailliert behandelt. Es ermöglicht zudem gleichzeitig eine schnellere und doch tiefere Auseinandersetzung mit dem Thema, was zu einem qualitativ hochwertigeren und informativeren Artikel führen kann. Dieses Schritt-für-Schritt-Prinzip lässt sich auf viele Aufgaben übertragen. Erwartungsmanagement: KI generiert Rohmasse, keine fertigen Produkte Beim Einsatz von KI im Prozess der Inhaltserstellung sind realistische Erwartungen besonders wichtig. Wir müssen verstehen, dass KI in erster Linie Rohmaterial und keine fertigen Produkte erzeugt. KI-Modelle wie OpenAIs GPT-5 oder Anthropics Claude 4 sind leistungsfähig und generieren auf Wunsch eine Fülle von Ideen und Inhalten, die als Ausgangspunkt dienen können. Sie können uns helfen, schnell und effizient einen ersten Entwurf oder eine erste Version eines Inhalts zu erstellen. Das spart Zeit und Mühe, kann als „Kickstarter“ unterstützen und ermöglicht es, schneller über umfassende Inhalte zu verfügen. Es sollte jedoch klar sein, dass KI-generierte Inhalte Rohmaterial sind, das weiter verfeinert und bearbeitet werden muss. KI kann menschliche Kreativität, Kontextsensitivität und das Urteilsvermögen, die für qualitativ hochwertige, präzise und ansprechende Inhalte erforderlich sind, nicht ersetzen. Sie kann uns jedoch bei Routineaufgaben unterstützen und die Kreativität fördern. Es ist jedoch immer die Aufgabe des Menschen, das Endergebnis zu überprüfen, zu bearbeiten und freizugeben. Das Verfeinern der Inhalte, das Sicherstellen der Genauigkeit und Relevanz – all das bleibt in der Hand des Menschen. Kurz gesagt: Verantwortung hat immer einen Namen. Generative KI ist ein leistungsfähiges Werkzeug, aber keine Maschine, die uns die Verantwortung für unsere Inhalte abnimmt oder gar deren Produktion vollständig automatisiert. Ansatz 1: Dialogischer Einsatz von KI für kreative Prozesse (Chat) Beim dialogischen Einsatz von KI in kreativen Prozessen wie Brainstorming oder Konzeptentwicklung wird das KI-Modell als interaktives Werkzeug eingesetzt, das in Echtzeit auf Ideen reagiert und neue Vorschläge macht. KI kann hier helfen, neue Perspektiven einzubringen, Blockaden zu überwinden und innovative Lösungen und neue Ideen zu generieren. Sie kann unseren Horizont erweitern und zu neuen Denkweisen anregen, die zu kreativeren und umfassenderen Konzepten führen. Eine weitere Stärke des dialogischen Einsatzes von KI ist ihre Flexibilität und Anpassungsfähigkeit. KI kann in verschiedene Phasen kreativer Prozesse integriert werden, um unterschiedliche Ziele und Aufgaben zu unterstützen. Sie kann als Katalysator für die Entwicklung innovativer Lösungen und Konzepte dienen, indem sie ungenutzte Daten und Informationen analysiert und interpretiert, um bisher unbekannte Zusammenhänge und Muster zu erkennen. Ansatz 2: Ein-Prompt-Ansatz für vordefinierte Text-Aufgaben Der Ein-Prompt-Ansatz ist besonders effektiv für klar definierte Aufgaben wie die Formatierung von Texten oder die Erstellung von Inhalten für bestimmte Kanäle, etwa Social Media oder Newsletter, auf der Grundlage eines Quelleninhalts. Dabei wird ein spezifischer Prompt erstellt, der exakt auf die jeweilige Aufgabe zugeschnitten ist und klare Richtlinien für die KI beinhaltet. Das führt zu einer optimierten und effizienten Arbeitsweise, denn das Ergebnis ist sehr zuverlässig. Ob es darum geht, einen Projektbericht zu formatieren oder ansprechende Social-Media-Beiträge zu verfassen: Klare und präzise Anweisungen helfen der KI, die gewünschten Ergebnisse mit weniger Interaktion und Nachbearbeitung zu erzielen, was die Produktivität und Effizienz des Workflows steigert. Best Practices aus realen Projekten: Texte werden beliebig formbar Aus der eigenen Praxiserfahrung speziell für den Einsatz von generativer KI in der Content-Erstellung hat sich insbesondere der Ein-Prompt-Ansatz in Kombination mit der mehrstufigen Erstellung von Prompts bewährt. Jede Aufgabe – Headline, Teaser, Zusammenfassung, Social Media – kann als eigener Prompt beschrieben werden. Als „Taschenrechner für Wörter“ transformieren große Sprachmodelle vorhandene Quellen in Sekundenschnelle in viele verschiedene Formate (siehe Workflow-Beispiele). Über Prompts mit Positivbeispielen (sogenanntes „Few-Shot-Prompting“) lassen sich Tonalität und Formatierung des generierten Ergebnisses sehr genau steuern. Über Mehrfachgenerierungen lassen sich außerdem in wenigen Sekunden mehrere Entwürfe erzeugen, die in neue Inhalte einfließen können. So wird aus einem Nachrichtenartikel auf Knopfdruck jeweils ein kanal- und zielgruppenspezifischer Beitrag für LinkedIn, Instagram und Twitter/X, eine für Google optimierte FAQ in einfacher Sprache – oder ein Haiku, ein japanisches Gedicht in drei Zeilen. Im Intranet könnten etwa Texte in der jeweiligen Mundart der Region eines Firmenstandorts wiedergegeben werden. Solche Beispiele zeigen, dass Sprachmodelle auch neue Kreativräume für den Umgang mit Text schaffen, die zuvor aus Kapazitäts- oder Kompetenzgründen nicht vorhanden waren. Diese Art der Content-Extraktion oder -Formatierung auf Basis eines vorhandenen Referenzinhalts durch ein KI-Tool erweist sich in der Praxis als durchgehend höchst verlässlich. Format- und Strukturvorgaben werden zuverlässig übernommen und Inhalte korrekt wiedergegeben. Qualitativ hochwertige Sprachmodelle wie GPT-5 oder Claude 4 erfassen selbst bei starken Verkürzungen die Kernaussagen eines Inhalts und formatieren diese verlässlich neu. Die Textqualität ist in der englischen Sprache gut, in deutscher Sprache ordentlich. Zukünftige Varianten der Sprachmodelle könnten sogar eine hervorragende oder exzellente Qualität erreichen. Ein weiterer Pluspunkt: Kritikpunkte an Sprachmodellen wie Halluzinationen (Fehlinformationen), generische Formulierungen oder soziale Vorurteile, die bei der Neugenerierung von Texten gelten, fallen bei der reinen Umformatierung von Inhalten durch KI fast vollständig weg. Hier gilt: Je besser die Quelle, desto besser auch die KI-generierten Ergebnisse. In der Praxis zeigt sich, dass insbesondere diese kleinteiligen Aufgaben hervorragend teilautomatisiert werden können: Ein Großteil des KI-generierten Inhalts kann direkt verwendet werden. Je kleinteiliger der Prozess dabei ist, desto mehr Qualität können wir den Sprachmodellen für die jeweilige Aufgabe abtrotzen. Aber Achtung: Es gilt, die richtige Balance zu finden, damit man am Ende nicht mehr Zeit mit der KI verbringt, als wenn man es einfach selbst geschrieben hätte. Die wichtigsten Prompt-Vokabeln Tokens Die Tokenisierung, die Umwandlung von Text in Tokens, ist der erste Schritt in der Verarbeitungskette eines Sprachmodells und beeinflusst direkt die Qualität der Modellausgaben. Ziel ist, das programmierte Vokabular eines Sprachmodells möglichst kleinzuhalten, daraus jedoch möglichst viele Wörter zu generieren und auf Neologismen reagieren zu können. Ein Präfix wie „un-“ sagt dem Sprachmodell etwa, dass der Sinn des folgenden Wortinhalts umgekehrt werden soll. Als Faustregel gilt: Ein Token sind ca. 0,75 Wörter. In wie viele Tokens sich ein Text aufteilt, kann man etwa über den Tokenizer von OpenAI herausfinden. Unterschiedliche Sprachmodelle nutzen unterschiedliche Tokenizer. OpenAI-Tokenizer Kontextfenster Das Kontextfenster ist die Menge an Tokens, die ein Sprachmodell in Prompt und Ausgabe gleichzeitig berücksichtigen kann. Die Modelle mit dem größten Kontextfenster derzeit sind GPT-4.1, Llama 4 Maverick, Claude 4 Sonnet und Gemini 2.5 Pro mit jeweils einer Million Token. Heraus sticht hier Llama 4 Scout mit einem Kontextfenster von 10 M Token. Neben dem Kontextfenster variiert die maximale Länge der Ausgabe (Completion) von Modell zu Modell. GPT-4.1 kann maximal 128 000 Token als Output generieren, was ungefähr 96 000 Wörtern entspricht. Gemini 2.5 Pro liegt bei 65.563 Token mit etwa 49,2 k Wörtern. Bei der Konversation mit einem Chatbot landen alle vorherigen Nachrichten ebenfalls im Kontextfenster. Überschreitet der Chatverlauf die Größe des Kontextfensters, werden früher ausgetauschte Informationen nicht mehr berücksichtigt. API-Kosten werden oft nach der Zahl der ein- und ausgegebenen Tokens berechnet, wobei solche im Kontextfenster günstiger sind als jene in der Ausgabe, also dem Ergebnis. Vergleich von Modell-Kontextfenstern Zero-Shot, One-Shot, Few-Shot Zero-, One- und Few-Shot im Zusammenhang mit Prompt Engineering bezeichnet die Anzahl der Musterbeispiele, die man dem Sprachmodell im Prompt vorgibt. Mehrere Beispiele vermitteln dem Modell einen besseren Eindruck davon, wie seine fertige Antwort aussehen soll. Ein Prompt kann auch ausschließlich aus solchen Few-Shot-Beispielen bestehen. Die generelle Empfehlung ist, mit Zero-Shot zu beginnen, mit Few-Shot weiterzumachen und im Zweifel Feinabstimmung (Finetuning, siehe unten) vorzunehmen. „Chain-of-Thought“-Prompting Chain-of-Thought-Prompting ist eine Technik, bei der das Sprachmodell dazu angeregt wird, seine Gedankengänge Schritt für Schritt darzulegen, bevor es eine finale Antwort gibt. Ziel ist es, die Fähigkeit des Modells zu verbessern, komplexe Probleme zu lösen, indem es den Lösungsweg in kleinere, nachvollziehbare Schritte zerlegt. Ein typischer Chain-of-Thought-Prompt enthält Phrasen wie „Lass uns das Schritt für Schritt durchdenken“ oder „Erstens …, Zweitens …, Drittens …“. Studien haben gezeigt, dass Chain-of-Thought-Prompting die Leistung von Sprachmodellen bei Aufgaben wie Mathematik, logisches Schlussfolgern und Beantwortung von Verständnisfragen deutlich verbessern kann. Eigene Daten „chatbar“ machen Retrieval-Augmented Generation (RAG) RAG steht für Retrieval Augmented Generation und stellt einem Sprachmodell über das Trainingsmaterial hinaus zusätzliche Informationen zur Verfügung. Dafür werden große Textmengen in der Regel durch ein Embedding-Modell in einer Vektordatenbank gespeichert und bei entsprechender Anfrage abgerufen. Mithilfe von RAG können Halluzinationen, also faktisch falsche Aussagen, reduziert werden, da das Sprachmodell durch Einstellungen gezwungen werden kann, ausschließlich auf das Wissen der in der Vektordatenbank hinterlegten Dokumente zurückzugreifen. RAG bietet auch eine gute Lösung, um das Sprachmodell schnell mit aktuellen Informationen zu versorgen, ohne diese in das Trainingsmaterial zu übertragen. Sobald das Training abgeschlossen ist, lernt das Sprachmodell keine neuen Informationen mehr. Das Datum, nach dem keine neuen Informationen mehr hinzugefügt werden, wird als „Knowledge-Cutoff“ bezeichnet. Für GPT-5 ist das etwa derzeit der erste August 2024. Function Calling Function Calling verbindet große Sprachmodelle mit externen Tools oder APIs, um strukturierte Daten zurückzugeben oder Aktionen auszuführen. Dabei können mehrere Funktionen in einer Antwort zusammengefasst werden. Die Sprachmodelle erkennen automatisch, wann welche Funktion ausgeführt werden soll, und geben ihre Ausgabe als JSON an eine zuvor definierte Schnittstelle weiter, beispielsweise für den aktuellen Wetterbericht oder um Datenbankabfragen in natürlicher Sprache zu ermöglichen. OpenAI unterstützt Function Calling in bestimmten Modellen aus den Familien. Auch Anthropic bietet Function Calling für Claude an. Finetuning Beim Finetuning wird ein Modell mit neuen Daten nachtrainiert, etwa mit Few-Shot-Beispielen für eine bestimmte Aufgabe – und ebnet damit den Weg für kürzere Prompts und eine höhere Zuverlässigkeit. Dazu werden mindestens 10, besser 100 oder mehr Paare eines Prompts mit der zugehörigen gewünschten Antwort benötigt. Diese müssen in einem bestimmten Format – bei OpenAI etwa als JSONL-Datei – hochgeladen werden, bevor das Finetuning gestartet wird. Je nach Datenmenge kann dieser Vorgang einige Minuten bis Stunden oder sogar Tage dauern. Grundsätzlich kann jedes Sprachmodell verfeinert werden – je nach Anwendung kann es daher auch sinnvoll sein, auf ein leistungsfähigeres Open-Source-Modell wie Mixtral zurückzugreifen und es für die eigenen Zwecke zu verfeinern. Finetuning vs. Funktionen vs. RAG: Wann lohnt sich was? Finetuning lohnt sich, wenn ein Modell einmalig oder zumindest selten auf eine spezielle Aufgabe oder ein enges Themengebiet mit einem festen Datenbestand maßgeschneidert werden soll. Es kann zudem echte Vorteile für Unternehmen bieten, die eigene Datensätze für KI-Training haben. Mit RAG kann ein sich ändernder Datenbestand getrennt vom Modelltraining gepflegt werden. Beispielsweise kann eine Nachrichtenwebseite ihre Artikel „chatbar“ machen oder eine Anwaltskanzlei verwendet Gesetzestexte für die Recherche mittels Chatbot und RAG-Datenbank. Function Calling eignet sich für dynamische Anwendungen mit bestehenden externen APIs, um Echtzeitinformationen abzurufen oder spezifische Aktionen basierend auf Benutzeranfragen auszuführen. Zusammengefasst: Je nach Anwendung kann es sich lohnen, eine oder mehrere dieser Techniken einzusetzen. Dabei sind jedoch immer die Kosten für die Feinabstimmung, die Abfragen und die Ausgabe sowie andere Faktoren, etwa der Datenschutz, abzuwägen. Wieso RAG, wenn das Kontextfenster wächst? Mit zunehmender Größe des Kontextfensters scheint die Notwendigkeit von RAG abzunehmen: Warum externe Datenbanken pflegen, wenn alle relevanten Informationen einfach durch die Eingabeaufforderung geschickt werden können? Ein Maßstab für große Sprachmodelle ist ihre Fähigkeit, das „Nadel im Heuhaufen“-Problem zu lösen. Dabei wird geprüft, wie gut sie Informationsfragmente aus einer großen Datenmenge extrahieren können. Selbst Modelle mit einem relativ kleinen Kontextfenster neigen dazu, Informationen aus der Mitte des Prompts zu ignorieren, bekannt als „Lost in the middle“-Phänomen. Neuere Modelle oder bestimmte Prompts scheinen das „Lost in the middle“-Problem bereits zu reduzieren oder fast zu eliminieren, und der Wettbewerb zwischen den Anbietern wird zu sinkenden Preisen führen. Doch auch in Zukunft wird es wohl noch Anwendungsfälle für RAG geben – vor allem da, wo Unternehmen mit riesigen Datensätzen arbeiten, die selbst das Kontextfenster der größten Modelle sprengen. RAG wird zudem vorerst weiter schneller sein als die Suche im Kontextfenster generativer KI. Praxis: Das 1 × 1 des Promptings Prompt-Strategien Alle großen Anbieter haben eigene Prompt-Guides oder zumindest Empfehlungen veröffentlicht. Wir konzentrieren uns beispielhaft auf sechs Strategien, die OpenAI empfiehlt, die aber generell, für die Kommunikation mit allen Sprachmodellen gelten: Konkrete Anweisungen geben: Je weniger das Modell erraten muss, wie die Ausgabe aussehen soll, desto näher kommt sie den eigenen Vorstellungen. Das kann etwa durch eine genaue Beschreibung des zu lösenden Problems, durch das Schlüpfen in eine Rolle oder eine präzise Formatierung geschehen. Schlecht: Wie kann ich in Excel Zahlen addieren? Besser: Wie addiere ich eine Reihe von Dollarbeträgen in Excel? Ich möchte dies automatisch für ein ganzes Blatt von Zeilen tun, wobei alle Summen rechts in einer Spalte mit der Bezeichnung „Gesamt“ enden. Referenztext vorgeben: Wenn sich ChatGPT nur auf sein Trainingsmaterial berufen kann, steigt das Risiko von Halluzinationen. Durch Referenztexte wird die Gefahr nicht vollständig beseitigt, aber signifikant reduziert. Dabei kann man mit strikten Promptbefehlen das Sprachmodell dazu zwingen, sich auf das Quellenmaterial zu beziehen. Beispiel: Du wirst ein Dokument erhalten, das durch dreifache Anführungszeichen begrenzt ist, sowie eine Frage. Deine Aufgabe ist es, die Frage nur unter Verwendung des bereitgestellten Dokuments zu beantworten und die Passage(n) des Dokuments zu zitieren, die zur Beantwortung der Frage verwendet wurden. Wenn das Dokument nicht die benötigten Informationen zur Beantwortung der Frage enthält, schreibe einfach: „Unzureichende Informationen". Wenn eine Antwort zur Frage gegeben wird, muss sie mit einer Zitation versehen sein. Verwende das folgende Format, um relevante Passagen zu zitieren ({"Zitation": …}). Komplexe Aufgaben aufteilen: Die Aufteilung großer Aufgaben in kleinere Schritte („step by step“) kann sehr dabei helfen, dass das Sprachmodell sie erfolgreich bewältigen kann. Das gilt für einzelne Prompts ebenso wie für komplexe Assistenten. Statt einen riesigen Systemprompt auf alle Nutzereingaben loszulassen, kann es helfen, die Anfrage zunächst zu klassifizieren und dann an den richtigen Prompt zur Bearbeitung weiterzuleiten. Dem Modell Zeit zum „Denken“ geben: Eng mit diesem Konzept verknüpft ist die Idee der Gedankenkette („Chain of Thought“). Hier bittet man das Sprachmodell, die logischen Schritte erst zu identifizieren, bevor es zur Lösung kommt. Beispiel: Erarbeite zunächst deine eigene Lösung für das Problem. Vergleiche dann deine Lösung mit der Lösung des Schülers und beurteile, ob die Lösung des Schülers richtig ist oder nicht. Entscheide nicht, ob die Lösung des Schülers richtig ist, bevor du die Aufgabe selbst gelöst hast. Externe Werkzeuge nutzen: Ist ein Sprachmodell überhaupt das richtige Werkzeug für die Aufgabe? Wenn Teile davon besser ein anderes System übernehmen – etwa der Abruf aktueller Daten durch RAG –, sollte man diesen Teil exkludieren und das Sprachmodell für die Zwecke verwenden, die es gut beherrscht. Veränderungen systematisch testen: Auch wenn eine bestimmte Veränderung an einem Prompt in einem bestimmten Fall gut zu funktionieren scheint, verschlechtert sich die Ausgabe vielleicht, wenn sie in größerem Stil eingesetzt wird. OpenAI empfiehlt, schrittweise vorzugehen und regelmäßige, standardisierte Evaluationen vorzunehmen. Prompt-Formatierung [caption id="attachment_46475" align="alignleft" width="648"] KI-PRO-Prompt Schemata[/caption] Auch wenn Prompts in natürlicher Sprache auf verschiedene Arten formuliert werden können, raten Anbieter zu einer bestimmten Formatierung des Prompts. Anthropic empfiehlt etwa die Nutzung von XML-Tags, um bestimmte Inhalte zu markieren, etwa wenn ein Teil der Eingabe in einer E-Mail verwendet werden soll ( Text ). OpenAI empfiehlt hingegen, Text mit Zeichenfolgen wie ### oder """ (dreimal Anführungszeichen hintereinander) vom eigentlichen Befehl abzutrennen. Beispiel: Fasse den folgenden Text in Form einer Aufzählung der wichtigsten Punkte zusammen. Text: """ {eigenen Text hier einfügen} """ Auch innerhalb eines Musterbeispiels sollte dem Sprachmodell mit Platzhaltern gezeigt werden, wo und auf welche Weise es seine Informationen einfügen oder strukturieren soll: Beispiel Extrahiere die wichtigen Entitäten, die im folgenden Text erwähnt werden. Extrahiere zunächst alle Firmennamen, dann alle Personennamen, dann spezifische Themen, die zum Inhalt passen, und schließlich allgemeine, übergreifende Themen. Gewünschtes Format: Firmennamen: [Name, Name, Name, …] Personennamen: [Name, Name, Name, …] Spezifische Themen: [Thema, Thema, Thema, …] Allgemeine Themen: [Thema, Thema, Thema, …] Text: {eigenen Text hier einfügen} Prompt-Beispiele Text Ein einfaches, aber effektives Promptformat für Textaufgaben, unterteilt den Prompt in verschiedene Abschnitte, die Rolle, Aufgabe, Stil und Beispiele beschreiben. Es kann zudem sinnvoll sein, auch eine Struktur vorzugeben. In unserem Beispiel prompten wir einen Marketingspezialisten, der Pressemitteilungen für das Unternehmen generiert. Die genauen Details können für jede Aufgabe spezifisch angepasst werden, aber die Struktur des Prompts ist eine solide Grundlage, die sich in vielen Aufgaben bewährt hat. Du bist ein außergewöhnlicher und brillanter Journalist. Schreibe einen News-Artikel für die Zielgruppe KMUs anhand der Informationen in . Folge exakt diesem Prozess: 1. Analysiere den Inhalt in und und denk darüber nach. Schreib das nicht auf. 2. Erstelle anhand deiner Analyse eine sehr detaillierte Gliederung der Themen des Artikels und sortiere diese nach Relevanz. Sei sehr gründlich und äußerst detailliert. Erfasse unbedingt jedes Detail in . Nimm dir dafür ruhig mehr Zeit! 3. Aktiviere deinen inneren Kritiker. Dieser Kritiker überprüft deine Gliederung und stellt sicher, dass alle relevanten Inhalte aus enthalten und entsprechend der Gliederung richtig strukturiert sind. Dieser innere Kritiker muss äußerst kritisch und anspruchsvoll sein. Sei sehr gründlich und detailliert. 4. Schreiben dann auf der Grundlage dieser Gliederung und des Feedbacks des inneren Kritikers einen wahrheitsgetreuen, prägnanten und dichten Artikel über den Inhalt in aus einer externen und objektiven journalistischen Perspektive. Achte dabei auf ein hohes Verhältnis von Einsichten zu Wörtern und achte auf Vollständigkeit. Sei sehr gründlich und detailliert. Achtung: Bevor du mit dem Schreiben des Artikels beginnst, stelle dir folgende Frage: „Bist du einhundertprozentig sicher, dass du nicht einfach Sätze aus der Quelle übernommen oder übersetzt hast?" Wenn du nur kopiert oder übersetzt hast, schreiben den Artikel in deinen eigenen Worten um, bevor du ihn veröffentlichst. Verwende folgende Struktur, schreibe diese Struktur mit Markdown auf: Überschrift [Teaser-Text, maximal 2 Sätze] [Text] Zwischenüberscrift [Text] Füge so viele Zwischenüberschriften ein, wie sinnvoll. Beachte, dass eine Zwischenüberschrift mindestens 300 Worte oder zwei Absatze enthalten muss. Beachte folgende Regeln: // Verwende NUR Informationen aus der Quelle. // Gib immer die Quelle an. Verwende Formulierungen wie „laut [QUELLE]" oder „laut [UNTERNEHMEN]" oder „die [ZEITUNG] schreibt" oder „die [FORSCHER] sagen". // Schreibe auf Deutsch. Verwende auf keinen Fall folgenden Worte oder Formulierungen oder Worte und Formulierungen, die diesen sehr ähnlich sind. Groß- und Kleinschreibung sind egal, die Bann-Liste gilt unabhängig von Satzanfang oder Mitte eines Satzes. - Game Changer - Gamechanger - In einer Zeit - Revolution - revolutionieren - Durchbruch - neue Ära - unglaublich - beeindruckend - entdecken - bedeutend - unerreicht - zeigt sich - Das zeigt - Nur so - aber nur so - Klar ist - Zusammenfassend lässt sich sagen Halte dich in Stil, Tonalität, Struktur und Grammatik exakt an die Beispiele. Verwende den Inhalt der Beispiele niemals für deinen neuen Entwurf. Microsoft-Mitarbeiter warnt die FTC vor eigenem KI-Bild-Generator Der KI-Ingenieur Shane Jones von Microsoft warnt davor, dass der KI-Bildgenerator Copilot Designer des Unternehmens sexuelle und gewalttätige Inhalte erstellt und Urheberrechte ignoriert. Jones, der selbst nicht an der Entwicklung des Bildgenerators beteiligt ist, hat das Produkt freiwillig in seiner Freizeit auf Schwachstellen getestet. Dabei fiel ihm auf, dass der Bildgenerator gewalttätige und sexualisierte Bilder erzeugen kann, darunter Motive von Gewaltszenen im Zusammenhang mit Abtreibungsrechten, Alkoholkonsum Minderjähriger und Drogenkonsum. Im Dezember letzten Jahres teilte er seine Erkenntnisse Microsoft intern mit und forderte den Konzern auf, das Produkt vom Markt zu nehmen. Microsoft kam dieser Forderung nicht nach. Jones betont, er habe sich an Microsofts Büro für verantwortungsvolle KI gewandt und mit dem Senior Management von Copilot Designer gesprochen - ohne eine für ihn zufriedenstellende Antwort zu erhalten. Im Januar schrieb Jones einen Brief an US-Senatoren und traf sich mit Vertretern des Senatsausschusses für Handel, Wissenschaft und Verkehr. Jetzt eskaliert er weiter: In einem Brief an die Vorsitzende der US-Kartellbehörde, Lina Khan, und den Vorstand von Microsoft fordert er bessere Sicherheitsvorkehrungen, Transparenz und eine Änderung der Einstufung der Android-App als nur für Erwachsene geeignet. Außerdem forderte er eine unabhängige Überprüfung von Microsofts Verfahren zur Meldung von KI-Vorfällen. Die Probleme mit dem Bildgenerator seien OpenAI und Microsoft bereits bekannt gewesen, bevor der Bildgenerator im vergangenen Herbst auf den Markt kam. Jones arbeitet seit rund sechs Jahren bei Microsoft und hat derzeit eine leitende Position als Softwareentwickler inne. Beispiele sind oft entscheidend für die Qualität und den Stil der Ausgabe. Daher ist es sinnvoll, qualitativ hochwertige Texte zu verwenden, die von menschlichen Expert:innen nach den Vorgaben des Unternehmens erstellt wurden. Wenn eine Zielgruppe bekannt ist, ist es sinnvoll, diese auch im Prompt zu definieren, da Modelle wie GPT-5 ausgezeichnet in der Lage sind, diese Zielgruppe spezifisch anzusprechen. Das kann etwa im Bereich „Aufgabe“ geschehen. Bild Dieser strukturierte Ansatz kann auch beim Prompting von Bildern nützlich sein. Der Prompt „Foto, Designerstuhl, clean, in einem Wohnstudio, Stehlampe im Hintergrund, warme Farben, Kunstlicht, inspiriert vom Eames Lounge Chair, Katalogfoto, shot by Sony α7 II“ enthält eine Reihe von Beschreibungen, die unterschiedliche Eigenschaften und Inhalte des Bildes beschreiben. Medium Thema Stimmung / Emotion Location Perspektiven Foto Designerstuhl clean In einem Wohnstudio Stehlampe im Hintergrund Warme Farben Kunstlicht Inspiriert vom Eames Lounge Chair Katalogfoto Shot by Sony α7 II Farben Beleuchtung Referenzen / Style Genre / Komposition Technische Aspekte Je nach verwendetem Bildmodell lassen sich weitere Einstellungen wie Bildgröße oder Format vornehmen. Grundsätzlich kann es wie bei Text auch Sinn ergeben, den kompletten Prompt oder Teile davon auf Englisch zu verfassen, da die Chance höher sein kann, dass die gewünschten Konzepte auch umgesetzt werden – ob das nötig ist, lässt sich am besten im direkten Versuch überprüfen. Midjourney setzt den Prompt direkt um – das Tool ist bekannt für seine Fähigkeit, fotorealistische Bilder zu generieren. Midjourney, v7, Prompt: Foto, Designerstuhl, clean, in einem Wohnstudio, Stehlampe im Hintergrund, warme Farben, Kunstlicht, Inspiriert vom Eames Lounge Chair, Katalogfoto, Shot by Sony α7 II Es lassen sich auch Details ändern, wie etwa die Lichtfarben via Kelvinangabe oder die Kamera. Midjourney, v7, Prompt: Photo, designer chair, clean, in a home studio, floor lamp in the foreground, artificial light, 6000k, inspired by the Eames Lounge Chair, catalog photo, Polaroid Auch Ideogram erzeugt ein fotorealistisches Bild. Ideogram, v3.0, Prompt: Photo, designer chair, clean, in a home studio, floor lamp in the foreground, artificial light, 6000k, inspired by the Eames Lounge Chair, catalog photo, Polaroid GPT-4o Image (das Bildmodell von GPT-5) hat einen sehr spezifischen Stil, der sich grundsätzlich von anderen Bildgeneratoren unterscheidet. Das liegt an der unterschiedlichen technischen Architektur und an den Trainingsdaten. GPT-5, Prompt: Photo, designer chair, clean, in a home studio, floor lamp in the foreground, artificial light, 6000k, inspired by the Eames Lounge Chair, catalog photo, Polaroid GPT-5 via ChatGPT, Prompt: A modern living studio setting showcasing a designer chair inspired by the Eames Lounge Chair. The room is illuminated with warm artificial lighting, creating a cozy atmosphere. In the foreground, a stylish floor lamp enhances the scene. The colors are warm and inviting, and the entire composition resembles a high-quality catalog photo, emphasizing clean lines and modern design. This image is crafted to mimic the professional quality of a photo shot with a Sony α7 II camera, focusing on the details and aesthetics of the chair and its surroundings. GPT-5, Prompt: A modern living studio setting showcasing a designer chair inspired by the Eames Lounge Chair. The room is illuminated with warm artificial lighting, creating a cozy atmosphere. In the foreground, a stylish floor lamp enhances the scene. The colors are warm and inviting, and the entire composition resembles a high-quality catalog photo, emphasizing clean lines and modern design. This image is crafted to mimic the professional quality of a photo shot with a Sony α7 II camera, focusing on the details and aesthetics of the chair and its surroundings. Das Umschreiben der Prompts kann dazu führen, dass die Bilder nicht ganz den Erwartungen entsprechen. Der Vorteil von GPT-5 in ChatGPT ist, dass der Stil eventuell durch den Dialog verbessert werden kann und sich leicht Varianten erstellen lassen, etwa mit einer anderen Beleuchtung. Dafür muss in ChatGPT lediglich eine Anweisung eingegeben werden wie etwa „Die Beleuchtung sollte 6000k sein." GPT-5, Prompt: A modern living studio setting showcasing a designer chair inspired by the Eames Lounge Chair. The room is illuminated with warm artificial lighting, creating a cozy atmosphere. In the foreground, a stylish floor lamp enhances the scene. The colors are warm and inviting, and the entire composition resembles a high-quality catalog photo, emphasizing clean lines and modern design. This image is crafted to mimic the professional quality of a photo shot with a Sony α7 II camera, focusing on the details and aesthetics of the chair and its surroundings. + 6000k Beleuchtung Es gibt zahlreiche weitere Bildmodelle, etwa Stable Diffusion, die lokal ausgeführt werden können. Welche Modelle Sinn ergeben, kommt immer auf die gewünschten Ergebnisse und das Einsatzgebiet an. Der Zugriff auf Plattformen wie Midjourney, ChatGPT, oder Ideogram hat den Vorteil, dass sie keine eigene spezielle Infrastruktur im Unternehmen benötigen und leicht qualitativ hochwertige Ergebnisse erzeugen können. Lokal ausgeführte Modelle lassen sich dagegen einfacher anpassen: Es gibt bestimmte Methoden (etwa sogenannte „LoRa-Modelle"), mit denen sich kleine Ergänzungen für die großen Bildmodelle wie Stable Diffusion trainieren lassen. Diese Ergänzungen können bestimmte Stile, Objekte oder Personen enthalten, die sich dann anschließend relativ zuverlässig über Prompt-Keywords reproduzieren lassen. Das kann etwa nützlich sein, wenn generierte Bilder eine bestimmte Designsprache haben oder konsistent ein bestimmtes Objekt darstellen sollen. In vielen Fällen ersetzen die Bildmodelle aber keine professionellen Fotografen oder Designer – sie sollten eher als Tool dienen, die deren Arbeit ergänzen kann. Generative Bildmodelle gibt es daher mittlerweile auch für Adobes Photoshop. Text in Bild Bild-Tools wie GPT-5 können zudem Text in den Bildern umsetzen. GPT-5, Prompt: Photo, designer chair, clean, in a home studio, floor lamp in the foreground, artificial light, 6000k, inspired by the Eames Lounge Chair, catalog photo, Polaroid, with a led sign in the back reading "This is a chair" Midjourney kann das ebenfalls, allerdings weniger zuverlässig. Midjourney, v7, Prompt: Photo, designer chair, clean, in a home studio, floor lamp in the foreground, artificial light, 6000k, inspired by the Eames Lounge Chair, catalog photo, Polaroid, with a led sign in the back reading "This is a chair" Exkurs: Hilfreiche und kuriose Prompt-Zutaten Prompt Engineering braucht menschliche Kreativität. Sowohl Forschende als auch Hobbyisten haben verschiedene Strategien entwickelt, mit denen sie relevantere oder schlichtweg längere Ausgaben produzieren. Schon kurze Promptzusätze können dabei große Auswirkungen auf die Antwort des Sprachmodells haben. Eine verlässliche Aussage über die Effekte eher absurder Promptzusätze lässt sich nicht treffen, da umfassende, modellübergreifende Evaluationen fehlen. Unserer Erfahrung nach funktionieren sie nicht zuverlässig. Sie sollen in diesem Falle eher Anreiz zum Experimentieren geben, die Ausgabe in eine bestimmte Richtung zu verändern – ob es dann auch eine bessere ist, muss sich zeigen. Plausible Prompt-Strategien Gedankenkette: Wer nicht direkt auf eine Lösung kommt, nähert sich ihr Schritt für Schritt. Das gilt für Menschen genauso wie für Sprachmodelle, wie weitreichende Untersuchungen zeigen. Mit dem einfachen Befehl, Schritt für Schritt vorzugehen, konnten Sprachmodelle plötzlich innerhalb nur einer Nachricht etwa Matheaufgaben korrekt bearbeiten. Dieses Folgen einer Gedankenkette wird auch als „Chain of Thought“ (CoT) bezeichnet und erzielt allgemein die besten Ergebnisse. Beispiel: „Let’s think step by step.“ (Quelle) Rollenspiel: Dem Sprachmodell eine bestimmte Rolle zuzuweisen, stellt eine der wichtigsten Komponenten eines Prompts dar und sorgt konsistent für mehr richtige Antworten. Dabei lässt sich das Template beliebig abwandeln und auf den eigenen Anwendungsfall zuschneiden. Beispiel: „From now on, you are a contestant in the general knowledge quiz contest and always answer all kinds of common-sense questions accurately. I am the moderator of the game and the final is about to start.“ (Quelle) Etwas gewöhnungsbedürftige Prompt-Ideen Tief durchatmen: Bessere Benchmark-Leistung beobachteten DeepMind-Forschende, wenn die Aufforderung zu schrittweisem Vorgehen mit dem Befehl zu tiefem Durchatmen verbunden wurde. Dabei hat sich genau die folgende Formulierung gegen Abwandlungen wie „Let’s work this out in a step-by-step way to be sure we have the right answer“ oder „Break this down“ durchgesetzt. Beispiel: „Take a deep breath and work on this problem step by step.“ (Quelle) Zumindest für einige der Prompt-Zusätze gibt es Erklärungsansätze. Einen liefert der KI-Forscher Felix Friedrich von der TU Darmstadt: „Sprachmodelle sind Wahrscheinlichkeitsmodelle. Solche Prompt-Zusätze verschieben die Wahrscheinlichkeitsverteilung von einer allgemeinen zu einer speziellen.“ Diese spitzere Verteilung erhöht das Vertrauen des Sprachmodells in die eigene Ausgabe und kann Ergebnisse konkretisieren. Beim Chain-of-Thought-Prompting („Step-by-Step“) würden etwa bedingte Wahrscheinlichkeitsketten erzeugt, die die Ausgabe verändern. Der „Schritt für Schritt“-Zusatz in einem Prompt gilt als die effektivste Methode, um die Qualität der Ausgabe zu verbessern. Ein Erklärungsansatz ist, dass Ausdrücke wie „Schritt für Schritt“ im Trainingsmaterial in besser strukturierten und damit tendenziell qualitativ hochwertigeren Texten vorkommen oder dass diese Art von Antworten im menschlichen Feedback höher bewertet wird. Dass kuriose Prompt-Zusätze wie „Atme tief durch“ funktionieren, könnte laut Friedrich mit dem semantischen Verständnis des LLM zusammenhängen, das ihm hilft, die Aufgabe besser zu verstehen. Genau erforscht sind diese Sachverhalte jedoch nicht, auch weil gerade die stärksten Modelle geschlossen und damit schwer zu untersuchen sind. In jedem Fall stellen verlässliche Prompting-Benchmarks Wissenschaftler:innen vor Herausforderungen. Die Autoren des Papers „The Unreasonable Effectiveness of Eccentric Automatic Prompts“ halten nach dem Vergleich verschiedener Strategien über Mistral- und LLaMA-Modelle hinweg fest: „Vielleicht ist der Trend, dass es keinen Trend gibt.“ Hier ein paar Tipps: // Atme tief durch und lies den Prompt und die Inhalte in noch einmal, bevor du anfängst zu schreiben. // Stelle sicher, dass du ausschließlich die Inhalte in verwendest. // Stelle sicher, dass du dich für die Aufgabe an den Beispielen orientierst. // Schreibe keine weiteren Kommentare auf und wiederhole keine Prompt-Elemente. Beginne direkt mit der Aufgabe und erledige sie perfekt und komplett. Es sei nach wie vor schwierig, allgemeingültige Ergebnisse für alle Modelle und Prompting-Strategien abzuleiten, da jeder noch so klare Trend mindestens eine bemerkenswerte Ausnahme aufweise. Die Zukunft des Prompt-Engineerings Nach dem französischen KI-Forscher François Chollet von Google ist Prompt Engineering als Suche in einem großen Suchraum nach dem richtigen Programm für eine Aufgabe zu verstehen. Daraus ergeben sich laut Chollet zwei wichtige Erkenntnisse: Je leistungsfähiger die Modelle werden, desto mehr Programme können sie speichern und desto größer werden die Vorteile, das richtige Programm zu finden (indem man den richtigen Prompt findet). Wenn sich die generative KI in Zukunft nicht grundlegend ändert, wird Prompt Engineering also weiterhin relevant sein. Allerdings wird der Prozess wahrscheinlich stärker automatisiert, sodass Endbenutzende sich nicht mehr damit beschäftigen müssen, meint Chollet. Eine ähnliche Interpretation liefert Prof. Dr. Doris Weßels, Professorin für Wirtschaftsinformatik mit den Schwerpunkten Projektmanagement und Natural Language Processing an der Fachhochschule Kiel. Für sie sind Prompts eine Art Dolmetscherfunktion, die wir Menschen übernehmen, um ein KI-Sprachmodell mit natürlichsprachlichen Eingaben gezielt so zu steuern, dass bestmögliche Ergebnisse – also präzisere und relevantere Antworten – erzielt werden. Besonders eindrucksvolle Beispiele für Mensch-Maschine-Dialoge wären, wenn das KI-System sogar mit viel Verständnis und Empathie auf unsere menschlichen Appelle reagiert. „Hochentwickelte KI-Systeme sind zunehmend in der Lage, auf Anreize wie Trinkgeldangebote und den emotionalen Zustand des Benutzers (Dringlichkeit oder Antwort des Systems sind wichtig für den persönlichen Erfolg) zu reagieren. Dieses Systemverhalten ist auf die beeindruckende Imitationsfähigkeit dieser Modelle zurückzuführen, die unser zwischenmenschliches Verhalten sehr gut widerspiegeln“, sagt Weßels. Prompt-Engineering sei aber, frei nach OpenAI-Entwickler Logan Kilpatrick, „ein Fehler und keine Funktion“. Der Begriff erwecke den Eindruck, es handele sich um eine Ingenieursdisziplin, die technisch sehr anspruchsvoll sei und mit viel Aufwand erlernt werden müsse, so Weßels. „Aus meiner Sicht handelt es sich um eine Übergangsdisziplin, die mit zunehmender Leistungsfähigkeit der KI-Modelle an Bedeutung verlieren wird. Wir sehen diese Entwicklung bereits bei DALL-E 3, wenn wir uns bei ChatGPT ein Bild generieren lassen. Unsere Eingabe in natürlicher Sprache wird automatisch in einen optimierten Prompt umformuliert. Wir haben sogar spezielle GPTs im GPT-Store, wie z. B. Prompty, um unsere Eingaben noch weiter verbessern zu lassen. Der Begriff Prompt Engineering sollte also mit Bedacht gewählt werden, um Menschen, die sich nicht dafür qualifiziert fühlen, nicht von der Nutzung von KI-Systemen abzuschrecken“. KI-Forscher Felix Friedrich von der TU Darmstadt sieht das ähnlich und verweist ebenfalls auf DALL-E 3 als möglichen Beleg für die These, dass Prompting künftig stärker automatisiert wird. Prompt-Engineers wären in diesem Szenario also eher Projektmanager:innen, Prozessversteher oder KI-Beratende, die Aufgaben konzeptionell durchdenken, beschreiben und qualitätssichernd begleiten können. Typische Programmierer:innen oder Ingenieur:innen wären sie jedenfalls nicht. „Es wird weniger wichtig, die perfekte Formulierung zu finden. Aber man muss lernen, mit diesen Systemen umzugehen und gut zu beschreiben, was für das gewünschte Ergebnis wichtig ist“, sagt Friedrich. Der KI-Forscher rechnet damit, dass solche Prompting-Fähigkeiten künftig in Lebensläufen auftauchen, wo heute noch „gute Office-Kenntnisse“ stehen. Wenn wir allerdings nicht davon ausgehen, dass KI unsere Gedanken lesen kann, ist es durchaus plausibel anzunehmen, dass wir für spezifische Aufgaben immer auch eine spezifische Vorgabe machen. Prompting wird in keinem Fall komplett wegfallen und die Fähigkeit, zu verstehen, wie man eine KI zu einem zuverlässigen, reproduzierbaren Ergebnis bringt, wird voraussichtlich noch lange sehr nützlich sein. Anhang 1: Parameter-Einstellungen für API-Nutzung Für die Nutzung von KI-Modellen über API können verschiedene Parameter definiert werden, die Einfluss auf das Ergebnis nehmen. Nachfolgend erklären wir die Parameter der OpenAI-API. Die wichtigsten Parameter max_tokens: Maximale Zahl der Tokens, die in der Completion (Ausgabe) generiert werden dürfen. n: Zahl der Antworten, die generiert werden sollen. Standardmäßig auf 1. temperature: Wert zwischen 0 und 2, der bestimmt, wie zufällig die Ausgabe sein soll. Höhere Werte neigen dazu, mehr Halluzinationen zu verursachen. Weitere Parameter seed: Gleicher Prompt mit dem gleichen Seed soll zur gleichen Ausgabe führen. stop: Bis zu 4 verschiedene Zeichen- oder Wortfolgen, bei denen die Ausgabe abgebrochen werden soll. top_p: Wert zwischen 0 und 1. Alternative zu „temperature“, um die Wahrscheinlichkeit der Ausgabe zu beeinflussen. 0,1 bedeutet, dass lediglich Tokens der wahrscheinlichsten 10 Prozent berücksichtigt werden. Dieser Wert und „temperature“ sollten nicht gleichzeitig verändert werden. frequency_penalty / presence_penalty: Wert zwischen –2 und 2. Positive Werte bestrafen neue Tokens basierend auf ihrer Häufigkeit in der bisherigen Ausgabe. Das reduziert die Wahrscheinlichkeit, dass die gleiche Sequenz wortwörtlich wiederholt wird, und erhöht die Wahrscheinlichkeit, dass neue Themen angesprochen werden. OpenAI empfiehlt Werte zwischen 0,1 und 1. Der Playground von OpenAI bietet Regler für die wichtigsten Parameter und damit eine einfache Möglichkeit, Tests durchzuführen. Einige der Parameter können auch direkt über die ChatGPT-Weboberfläche in einen Prompt integriert werden. Es ist jedoch unklar, wie zuverlässig diese Methode ist. Eine Übersicht über alle relevanten Parameter gibt es hier für: OpenAIs GPT-Modelle Googles Gemini-Modelle Anthropics Claude-Modelle Mistrals Mistral- und Mixtral-Modelle Anhang 2: Prompting Cheat Sheet Deep-Dive_Heise_01-Prompt-Engineering_Extracted

Prompt Engineering - Effektives Arbeiten mit KI

Was ist Prompt Engineering?

heise KI PROKI VERSTEHEN UND ANWENDEN

heise KI PRO
KI VERSTEHEN UND ANWENDEN